格灵深瞳赵勇：AI将如何影响和变革安防行业？ - 第5页 - 安防知识网

智能安防接下来该怎么走?

　　五、智能安防接下来该怎么走?

　　1、人工智能+人类智能

　　在此我推荐一种方法，就是海量的原始问题进来以后，先由人工智能引擎回答，然后产生人工智能的答案，但这些答案里的多数答案是错的，这种情况下可以把这些答案交给专业人员去验证。人类验证的好处是当一个答案可以通过人类的验证，结果对于客户来说这个情报至少是值得关注的。

　　另外，那些没有通过真人验证的错误答案，也都是很有意义的答案数据。通常它们都是比较接近正确答案的错误答案，这类数据对提高机器学习模型的改善和迭代也是非常有意义的。

　　如果我们在产品里设计出这么一个流程，使得人工智能识别引擎在精度不断提高同时，客户也能够得到比较有意义的情报。

　　把大量的人工智能和少量人类智能结合起来，会产生一个较好的互补效应。

　　2、人工智能+大数据

　　另外一种手段就是人工智能+大数据

　　为什么需要大数据?刚才我也提到，当我们有了底层结构化数据再到完成客户整个业务体系，本来就需要很多大数据挖掘应用，但更重要的一件事情是随着结构化数据规模上涨，大规模智能系统产生的误报会显著上涨，以至于正确的情报会淹没在海量误报中。这件事情必然会发生，尤其对于人脸识别而言。

　　我现在觉得全国各地的城市已经开始拥有一定规模的人脸识别，但我相信很快所有的客户都会踢到铁板，误报会大规模地上升。现在已经看到很多客户发现了这件事，这种情况下有没有解?当然有，我认为解企业要通过大规模的、多模态数据整合来提升人工智能的精度。

　　这是什么意思呢?如果我们单看一个单点人工智能的识别结果，它的错误率并没有足够好，就算可以做到千万只分之一的错误率，但只要问题数量过多，误导还是很多。

　　但是当你使用了更多规模的数据，比如一个人在运动时。他在轨迹路线上是否能够被反复识别，或者说轨迹所体现的行为，同时能够印证这个人的可疑性，或者说关于一个目标的多模态数据：他的车辆、消费记录、手机信号、wifi探针、社交关系，把这些不同模式的数据能够整合起来。

　　我再给大家举个例子，比如说小明和小王是同班同学、好朋友。我在北京某个地方看到一个人长得像小明，那么结果可能不一定是小明，可能只是一个跟小明长得很像的人。但是我如果在同一个地方又看到了这个小王(小明的朋友)，那么确认这个人是小明的概率就加大许多。

　　这只是一个例子，其实有大量的规律、模态、组合可以把这个任务做得更好。所以我觉得是未来人工智能产品必须注意的一个方向，也是我个人觉得成功的人工智能公司必须具备的条件：要有很强的大数据分析能力。